Trabajo 1 TAE - Salud

Librerías

library(raster)
library(tidyverse)
library(data.table)
library(readxl)
library(GGally)
library(corrplot)
library(leaflet)

Lectura de datos

raw_encuesta <- fread("databases/calidad_vida_ok.csv", encoding = "UTF-8") %>% 
  as_tibble() %>% mutate(
  encuesta_calidad.barrio = case_when(
    encuesta_calidad.barrio == "CABECERA ALTAVISTA" ~ "ALTAVISTA",
    encuesta_calidad.barrio == "CIUDADELA NUEVO OCCIDENTE" ~ "CABECERA URBANA CORREGIMIENTO SAN CRISTÓBAL",
    encuesta_calidad.barrio == "AREA DE EXPANCION SAN CRISTOBAL" ~ "ÁREA DE EXPANSIÓN SAN CRISTÓBAL",
    encuesta_calidad.barrio == "CABECERA SAN CRISTÓBAL" ~ "CABECERA URBANA CORREGIMIENTO SAN CRISTÓBAL",
    encuesta_calidad.barrio == "SAN CRISTOBAL" ~ "CABECERA URBANA CORREGIMIENTO SAN CRISTÓBAL",
    encuesta_calidad.barrio == "PROGRESO  Nº 2" ~ "PROGRESO",
    TRUE ~ encuesta_calidad.barrio
  )
)

Número de encuestados por barrio

raw_encuesta %>% 
  count(`encuesta_calidad.barrio`, sort = T) %>% 
  arrange(n) %>% 
  head()

encuesta_calidad.barrio	n
EL CARMELO	4
GUAYAQUIL	4
LA ILUSIÓN	6
SAN JOSÉ	10
BOQUERÓN	15
EL PATIO	19

Ver Summary

raw_encuesta %>% 
  dplyr::select(`encuesta_calidad.p_341`) %>% 
  summary()

##  encuesta_calidad.p_341
##  Min.   :1             
##  1st Qu.:3             
##  Median :3             
##  Mean   :3             
##  3rd Qu.:3             
##  Max.   :4             
##  NA's   :318530

Análisis de Discapacidad

Con base en la cantidad de dos, se concluye que éste está asociado al “No”, dado que se espera, en general, que el número de personas discapacitadas sea considerablemente menor al de no discapacitadas.

raw_encuesta %>% 
dplyr::select(paste0("encuesta_calidad.p_", 50:57)) %>%
  mutate_all(as_factor) %>% 
  summary()

##  encuesta_calidad.p_50 encuesta_calidad.p_51 encuesta_calidad.p_52
##  1   :  8152           1   :  4173           1   :  8611          
##  2   :322190           2   :326095           2   :321663          
##  NA's:   232           NA's:   306           NA's:   300          
##  encuesta_calidad.p_53 encuesta_calidad.p_54 encuesta_calidad.p_55
##  1   :  2716           1   :  2752           1   :  4741          
##  2   :327543           2   :327491           2   :325460          
##  NA's:   315           NA's:   331           NA's:   373          
##  encuesta_calidad.p_56 encuesta_calidad.p_57
##  1   :  4184           1   :   442          
##  2   :326059           2   :232249          
##  NA's:   331           NA's: 97883

preguntas_categoricas <- c("encuesta_calidad.p_266", "encuesta_calidad.p_326", "encuesta_calidad.p_329", "encuesta_calidad.p_332", 
                           "encuesta_calidad.p_335", "encuesta_calidad.p_338", "encuesta_calidad.p_341")

Limpieza de los nombres y one-hot encoding

encuesta_salud <- raw_encuesta %>% 
  mutate(discapacidad = case_when(encuesta_calidad.p_50 == 1 ~ 1,
                                  encuesta_calidad.p_51 == 1 ~ 1,
                                  encuesta_calidad.p_52 == 1 ~ 1,
                                  encuesta_calidad.p_53 == 1 ~ 1,
                                  encuesta_calidad.p_54 == 1 ~ 1,
                                  encuesta_calidad.p_55 == 1 ~ 1,
                                  encuesta_calidad.p_56 == 1 ~ 1,
                                  encuesta_calidad.p_57 == 1 ~ 1,
                                  TRUE ~ 0)) %>% 
  mutate_at(vars(preguntas_categoricas), as_factor) %>%
  fastDummies::dummy_cols(remove_selected_columns = TRUE, select_columns = preguntas_categoricas) %>% 
  mutate(encuesta_calidad.barrio = str_replace(encuesta_calidad.barrio, "ANDALUCIA", "ANDALUCÍA") %>% 
  str_replace("Nº 2", "NO.2") %>% 
  str_replace("Nº 1", "NO.1") %>% 
  str_replace("Nº 3", "NO.3") %>%
  str_replace("AREA EXPANSION", "ÁREA DE EXPANSIÓN") %>%
  str_replace("EXPANCION", "EXPANSIÓN") %>% 
  str_replace("AREA", "ÁREA") %>% 
  str_replace("BOMBONA", "BOMBONÁ") %>% 
  str_replace("LA ASOMADERA", "ASOMADERA") %>%
  str_replace("BELALCAZAR", "BELALCÁZAR") %>% 
  str_replace("CALAZANS", "CALASANZ") %>% 
  str_replace("COLON", "COLÓN") %>% 
  str_replace("MIRA FLORES", "MIRAFLORES") %>% 
  str_replace("BARRIO FACULTAD DE MINAS", "FACULTAD DE MINAS") %>% 
  str_replace("CABECERA SAN ANT DE PR.", "SAN ANTONIO DE PRADO") %>% 
  str_replace("CARLOS E RESTREPO", "CARLOS E. RESTREPO") %>% 
  str_replace("URQUITA", "URQUITÁ") %>% 
  str_replace("LOS CERROS EL VERJEL", "LOS CERROS EL VERGEL") %>% 
  str_replace("CAYCEDO", "CAICEDO") %>% 
  str_replace("VALDES", "VALDÉS") %>% 
  str_replace("CERRO EL VOLADOR", "B. CERRO EL VOLADOR") %>% 
  str_replace("MOSCU", "MOSCÚ") %>% 
  str_replace("JOSELA", "JOSÉ LA") %>%
  str_replace("JOSE", "JOSÉ") %>% 
  str_replace("EL YOLOMBO", "YOLOMBO") %>% 
  str_replace("PIEDRAS BLANCAS", "PIEDRAS BLANCAS - MATASANO") %>% 
  str_replace("BASILIA", "BRASILIA") %>% 
  str_replace("VILLA TINA", "VILLATINA") %>% 
  str_replace("LILIAM", "LILLIAM") %>% 
  str_replace("BOLIVAR", "BOLÍVAR") %>% 
  str_replace("CORREGIMIENTO PALMITAS", "PALMITAS SECTOR CENTRAL") %>% 
  str_replace("INES", "INÉS") %>% 
  str_replace("FE", "FÉ") %>% 
  str_replace("LUCIA", "LUCÍA") %>% 
  str_replace("SABIO", "SAVIO") %>% 
  str_replace("BERMEJAL- LOS ÁLAMOS", "BERMEJAL-LOS ÁLAMOS") %>% 
  str_replace("BOLÍVARIANA", "BOLIVARIANA") %>% 
  str_replace("EL NOGAL - LOS ALMENDROS", "EL NOGAL-LOS ALMENDROS") %>% 
  str_replace("JUAN XXIII - LA QUIEBRA", "JUAN XXIII LA QUIEBRA") %>% 
  str_replace("PROGRESO  Nº 2", "EL PROGRESO") %>% 
  str_replace("MARIA", "MARÍA") %>% 
  str_replace("PLAYÓN", "PLAYON") %>% 
  str_replace("EL SOCORRO / LA GABRIELA", "EL SOCORRO") %>% 
  str_replace("FÉRRINI", "FERRINI") %>% 
  str_replace("LA CANDE LARIA", "LA CANDELARIA") %>%
  str_replace("EL PLAYON", "PLAYÓN") %>%
  str_replace("IGUANA", "IGUANÁ") %>%
  str_replace("MARÍA CANO - CARAMBOLAS", "MARÍA CANO-CARAMBOLAS") %>%
  str_replace("DE ABURRA", "DEL ABURRÁ") %>%
  str_replace("ALTAVISTA CENTRAL", "ALTAVISTA SECTOR CENTRAL") %>%
  str_replace("SECTOR CENTRAL", "CENTRO ADMINISTRATIVO") %>%
  str_replace("ALTAVISTA CENTRO ADMINISTRATIVO", "ALTAVISTA SECTOR CENTRAL") %>%
  str_replace("SANTA ELENA CENTRO ADMINISTRATIVO", "SANTA ELENA SECTOR CENTRAL") %>%
  str_replace("PALMITAS CENTRO ADMINISTRATIVO", "PALMITAS SECTOR CENTRAL") %>%  
  str_replace("PROGRESO", "EL PROGRESO")
  )

## Note: Using an external vector in selections is ambiguous.
## i Use `all_of(preguntas_categoricas)` instead of `preguntas_categoricas` to silence this message.
## i See <https://tidyselect.r-lib.org/reference/faq-external-vector.html>.
## This message is displayed once per session.

Construcción de la base de datos

factors <- c("encuesta_calidad.barrio", "encuesta_calidad.comuna")

db_salud <- encuesta_salud %>%
  group_by(encuesta_calidad.barrio, encuesta_calidad.comuna) %>% 
  dplyr::summarize(n = n(),
            discapacidad = sum(discapacidad == 1, na.rm = TRUE)/sum(!is.na(discapacidad), na.rm = TRUE),
            acceso_salud = mean(`encuesta_calidad.p_265`, na.rm = TRUE),
            calidad_salud_1 = sum(`encuesta_calidad.p_266_1` == 1, na.rm = TRUE)/sum(!is.na(`encuesta_calidad.p_266_1`), na.rm = TRUE),
            calidad_salud_2 = sum(`encuesta_calidad.p_266_2` == 1, na.rm = TRUE)/sum(!is.na(`encuesta_calidad.p_266_2`), na.rm = TRUE),
            calidad_salud_3 = sum(`encuesta_calidad.p_266_3` == 1, na.rm = TRUE)/sum(!is.na(`encuesta_calidad.p_266_3`), na.rm = TRUE),
            calidad_salud_4 = sum(`encuesta_calidad.p_266_4` == 1, na.rm = TRUE)/sum(!is.na(`encuesta_calidad.p_266_4`), na.rm = TRUE),
            calidad_salud_5 = sum(`encuesta_calidad.p_266_5` == 1, na.rm = TRUE)/sum(!is.na(`encuesta_calidad.p_266_5`), na.rm = TRUE),
            morbilidad_30 = sum(`encuesta_calidad.p_324` == 1, na.rm = TRUE)/
              sum(!is.na(`encuesta_calidad.p_324`), na.rm = TRUE),
            motivo_negacion_1 = sum(`encuesta_calidad.p_326_1` == 1, na.rm = TRUE)/sum(!is.na(`encuesta_calidad.p_326_1`), na.rm = TRUE),
            motivo_negacion_2 = sum(`encuesta_calidad.p_326_2` == 1, na.rm = TRUE)/sum(!is.na(`encuesta_calidad.p_326_2`), na.rm = TRUE),
            motivo_negacion_3 = sum(`encuesta_calidad.p_326_3` == 1, na.rm = TRUE)/sum(!is.na(`encuesta_calidad.p_326_3`), na.rm = TRUE),
            motivo_negacion_4 = sum(`encuesta_calidad.p_326_4` == 1, na.rm = TRUE)/sum(!is.na(`encuesta_calidad.p_326_4`), na.rm = TRUE),
            motivo_negacion_5 = sum(`encuesta_calidad.p_326_5` == 1, na.rm = TRUE)/sum(!is.na(`encuesta_calidad.p_326_5`), na.rm = TRUE),
            motivo_negacion_6 = sum(`encuesta_calidad.p_326_6` == 1, na.rm = TRUE)/sum(!is.na(`encuesta_calidad.p_326_6`), na.rm = TRUE),
            motivo_negacion_7 = sum(`encuesta_calidad.p_326_7` == 1, na.rm = TRUE)/sum(!is.na(`encuesta_calidad.p_326_7`), na.rm = TRUE),
            motivo_negacion_8 = sum(`encuesta_calidad.p_326_8` == 1, na.rm = TRUE)/sum(!is.na(`encuesta_calidad.p_326_8`), na.rm = TRUE),
            motivo_negacion_9 = sum(`encuesta_calidad.p_326_9` == 1, na.rm = TRUE)/sum(!is.na(`encuesta_calidad.p_326_9`), na.rm = TRUE),
            conteo_prevencion = median(`encuesta_calidad.p_328`, na.rm = TRUE),
            calidad_prevencion_1 = sum(`encuesta_calidad.p_329_1` == 1, na.rm = TRUE)/sum(!is.na(`encuesta_calidad.p_329_1`), na.rm = TRUE),
            calidad_prevencion_2 = sum(`encuesta_calidad.p_329_2` == 1, na.rm = TRUE)/sum(!is.na(`encuesta_calidad.p_329_2`), na.rm = TRUE),
            calidad_prevencion_3 = sum(`encuesta_calidad.p_329_3` == 1, na.rm = TRUE)/sum(!is.na(`encuesta_calidad.p_329_3`), na.rm = TRUE),
            calidad_prevencion_4 = sum(`encuesta_calidad.p_329_4` == 1, na.rm = TRUE)/sum(!is.na(`encuesta_calidad.p_329_4`), na.rm = TRUE),
            consulta_medico_general = mean(`encuesta_calidad.p_331`, na.rm = TRUE),
            calidad_med_general_1 = sum(`encuesta_calidad.p_332_1` == 1, na.rm = TRUE)/sum(!is.na(`encuesta_calidad.p_332_1`), na.rm = TRUE),
            calidad_med_general_2 = sum(`encuesta_calidad.p_332_2` == 1, na.rm = TRUE)/sum(!is.na(`encuesta_calidad.p_332_2`), na.rm = TRUE),
            calidad_med_general_3 = sum(`encuesta_calidad.p_332_3` == 1, na.rm = TRUE)/sum(!is.na(`encuesta_calidad.p_332_3`), na.rm = TRUE),
            calidad_med_general_4 = sum(`encuesta_calidad.p_332_4` == 1, na.rm = TRUE)/sum(!is.na(`encuesta_calidad.p_332_4`), na.rm = TRUE),
            consulta_medico_especialista = mean(`encuesta_calidad.p_334`, na.rm = TRUE),
            calidad_med_especial_1 = sum(`encuesta_calidad.p_335_1` == 1, na.rm = TRUE)/sum(!is.na(`encuesta_calidad.p_335_1`), na.rm = TRUE),
            calidad_med_especial_2 = sum(`encuesta_calidad.p_335_2` == 1, na.rm = TRUE)/sum(!is.na(`encuesta_calidad.p_335_2`), na.rm = TRUE),
            calidad_med_especial_3 = sum(`encuesta_calidad.p_335_3` == 1, na.rm = TRUE)/sum(!is.na(`encuesta_calidad.p_335_3`), na.rm = TRUE),
            calidad_med_especial_4 = sum(`encuesta_calidad.p_335_4` == 1, na.rm = TRUE)/sum(!is.na(`encuesta_calidad.p_335_4`), na.rm = TRUE),
            consulta_urgencias = mean(`encuesta_calidad.p_337`, na.rm = TRUE),
            calidad_urgencias_1 = sum(`encuesta_calidad.p_338_1` == 1, na.rm = TRUE)/sum(!is.na(`encuesta_calidad.p_338_1`), na.rm = TRUE),
            calidad_urgencias_2 = sum(`encuesta_calidad.p_338_2` == 1, na.rm = TRUE)/sum(!is.na(`encuesta_calidad.p_338_2`), na.rm = TRUE),
            calidad_urgencias_3 = sum(`encuesta_calidad.p_338_3` == 1, na.rm = TRUE)/sum(!is.na(`encuesta_calidad.p_338_3`), na.rm = TRUE),
            calidad_urgencias_4 = sum(`encuesta_calidad.p_338_4` == 1, na.rm = TRUE)/sum(!is.na(`encuesta_calidad.p_338_4`), na.rm = TRUE),
            hospitalizacion = mean(`encuesta_calidad.p_340`, na.rm = TRUE),
            calidad_hospitalizacion_1 = sum(`encuesta_calidad.p_341_1` == 1, na.rm = TRUE)/sum(!is.na(`encuesta_calidad.p_341_1`), na.rm = TRUE),
            calidad_hospitalizacion_2 = sum(`encuesta_calidad.p_341_2` == 1, na.rm = TRUE)/sum(!is.na(`encuesta_calidad.p_341_2`), na.rm = TRUE),
            calidad_hospitalizacion_3 = sum(`encuesta_calidad.p_341_3` == 1, na.rm = TRUE)/sum(!is.na(`encuesta_calidad.p_341_3`), na.rm = TRUE),
            calidad_hospitalizacion_4 = sum(`encuesta_calidad.p_341_4` == 1, na.rm = TRUE)/sum(!is.na(`encuesta_calidad.p_341_4`), na.rm = TRUE),
            ) %>% ungroup() %>% 
  mutate_all(~replace_na(., 0)) %>% 
  mutate_at(factors, as_factor) %>% 
  filter(encuesta_calidad.barrio != "DESCONOCIDO")

db_salud %>% 
  head()

encuesta_calidad.barrio	encuesta_calidad.comuna	n	discapacidad	acceso_salud	calidad_salud_1	calidad_salud_2	calidad_salud_3	calidad_salud_4	calidad_salud_5	morbilidad_30	motivo_negacion_1	motivo_negacion_2	motivo_negacion_3	motivo_negacion_4	motivo_negacion_5	motivo_negacion_6	motivo_negacion_7	motivo_negacion_8	motivo_negacion_9	conteo_prevencion	calidad_prevencion_1	calidad_prevencion_2	calidad_prevencion_3	calidad_prevencion_4	consulta_medico_general	calidad_med_general_1	calidad_med_general_2	calidad_med_general_3	calidad_med_general_4	consulta_medico_especialista	calidad_med_especial_1	calidad_med_especial_2	calidad_med_especial_3	calidad_med_especial_4	consulta_urgencias	calidad_urgencias_1	calidad_urgencias_2	calidad_urgencias_3	calidad_urgencias_4	hospitalizacion	calidad_hospitalizacion_1	calidad_hospitalizacion_2	calidad_hospitalizacion_3	calidad_hospitalizacion_4
AGUAS FRÍAS	ALTAVISTA	126	0.0634921	2.793651	0.0555556	0.3888889	0.2222222	0.1111111	0.2222222	0.2173913	0.0000000	0.0000000	0	0.0000000	0.0000000	0.0000000	0	0	0.0000000	1.5	0.2	0.3000000	0.5000000	0.0000000	4.033333	0.0666667	0.1000000	0.7666667	0.0666667	3.076923	0.0000000	0.0000000	0.8461538	0.1538462	1.352941	0.0000000	0.0000000	0.8235294	0.1764706	2.000000	0.0000000	0.0000000	0.8000000	0.2000000
ALDEA PABLO VI	POPULAR	426	0.0492958	3.000000	0.0448113	0.1297170	0.2948113	0.4504717	0.0801887	0.1918605	0.0000000	0.0000000	0	0.2500000	0.0000000	0.0000000	0	0	0.7500000	1.0	0.0	0.0000000	0.9047619	0.0952381	1.897959	0.0000000	0.2244898	0.6122449	0.1632653	1.837838	0.0810811	0.0000000	0.5945946	0.3243243	2.176471	0.1764706	0.0000000	0.5882353	0.2352941	1.000000	0.0000000	0.0000000	1.0000000	0.0000000
ALEJANDRÍA	EL POBLADO	709	0.0606488	3.187683	0.0640466	0.1630277	0.2358079	0.4061135	0.1310044	0.1228448	1.0000000	0.0000000	0	0.0000000	0.0000000	0.0000000	0	0	0.0000000	2.0	0.0	0.0312500	0.9218750	0.0468750	2.637795	0.0708661	0.0472441	0.7007874	0.1811024	2.098159	0.0122699	0.0000000	0.6380368	0.3496933	1.506849	0.0684932	0.1232877	0.6438356	0.1643836	1.142857	0.0000000	0.0000000	0.8095238	0.1904762
ALEJANDRO ECHAVARRÍA	BUENOS AIRES	1094	0.0557587	3.008349	0.0593692	0.2124304	0.3153989	0.3191095	0.0936920	0.1242515	0.1818182	0.1818182	0	0.0000000	0.3636364	0.0000000	0	0	0.2727273	2.0	0.0	0.0833333	0.6428571	0.2738095	3.480100	0.0099502	0.1990050	0.6990050	0.0920398	2.483516	0.0256410	0.0476190	0.7838828	0.1428571	2.406667	0.2000000	0.2333333	0.4933333	0.0733333	1.612903	0.0967742	0.2419355	0.5483871	0.1129032
ALFONSO LÓPEZ	CASTILLA	1994	0.0737212	2.928390	0.0696846	0.2024415	0.2802645	0.3672431	0.0803662	0.1804424	0.4883721	0.0000000	0	0.1162791	0.1395349	0.0697674	0	0	0.1860465	2.0	0.0	0.1346154	0.7980769	0.0673077	2.635910	0.0748130	0.2094763	0.6658354	0.0498753	2.162162	0.0405405	0.1756757	0.7027027	0.0810811	1.552764	0.1959799	0.2814070	0.4924623	0.0301508	1.063492	0.0000000	0.0793651	0.7142857	0.2063492
ALTAMIRA	ROBLEDO	755	0.0622517	2.842876	0.0519308	0.2250333	0.3941411	0.2396804	0.0892144	0.1082251	0.3333333	0.0000000	0	0.0000000	0.6666667	0.0000000	0	0	0.0000000	2.0	0.0	0.0000000	0.8750000	0.1250000	3.175439	0.0614035	0.1798246	0.6973684	0.0614035	2.338710	0.0322581	0.1693548	0.5806452	0.2177419	1.867647	0.2794118	0.2500000	0.4705882	0.0000000	1.142857	0.0000000	0.0000000	1.0000000	0.0000000

Estadística descriptiva

Medias y cuartiles

Para la discapacidad

summary(db_salud)

##  encuesta_calidad.barrio  encuesta_calidad.comuna       n         
##  SAN PABLO   :  3        EL POBLADO   : 22        Min.   :   4.0  
##  ALTAVISTA   :  2        ROBLEDO      : 22        1st Qu.: 348.8  
##  EL LLANO    :  2        BELEN        : 21        Median : 862.5  
##  EL SALADO   :  2        SAN CRISTOBAL: 20        Mean   :1073.2  
##  LA ESPERANZA:  2        SAN JAVIER   : 19        3rd Qu.:1439.0  
##  LA FLORIDA  :  2        VILLA HERMOSA: 18        Max.   :8987.0  
##  (Other)     :295        (Other)      :186                        
##   discapacidad      acceso_salud   calidad_salud_1   calidad_salud_2 
##  Min.   :0.00000   Min.   :2.339   Min.   :0.00000   Min.   :0.0000  
##  1st Qu.:0.05731   1st Qu.:2.871   1st Qu.:0.05246   1st Qu.:0.1452  
##  Median :0.06985   Median :2.955   Median :0.06958   Median :0.1685  
##  Mean   :0.07277   Mean   :2.957   Mean   :0.07624   Mean   :0.1745  
##  3rd Qu.:0.08214   3rd Qu.:3.048   3rd Qu.:0.09238   3rd Qu.:0.1956  
##  Max.   :0.50000   Max.   :3.656   Max.   :0.50000   Max.   :0.8667  
##                                                                      
##  calidad_salud_3  calidad_salud_4  calidad_salud_5   morbilidad_30   
##  Min.   :0.0000   Min.   :0.0000   Min.   :0.00000   Min.   :0.0000  
##  1st Qu.:0.2918   1st Qu.:0.3022   1st Qu.:0.06175   1st Qu.:0.1059  
##  Median :0.3285   Median :0.3345   Median :0.08171   Median :0.1413  
##  Mean   :0.3306   Mean   :0.3339   Mean   :0.08474   Mean   :0.1423  
##  3rd Qu.:0.3618   3rd Qu.:0.3721   3rd Qu.:0.10248   3rd Qu.:0.1787  
##  Max.   :1.0000   Max.   :0.6750   Max.   :0.28378   Max.   :0.5714  
##                                                                      
##  motivo_negacion_1 motivo_negacion_2 motivo_negacion_3 motivo_negacion_4
##  Min.   :0.0000    Min.   :0.00000   Min.   :0.00000   Min.   :0.00000  
##  1st Qu.:0.0000    1st Qu.:0.00000   1st Qu.:0.00000   1st Qu.:0.00000  
##  Median :0.2918    Median :0.00000   Median :0.00000   Median :0.00000  
##  Mean   :0.3285    Mean   :0.04847   Mean   :0.02234   Mean   :0.09997  
##  3rd Qu.:0.5411    3rd Qu.:0.00000   3rd Qu.:0.00000   3rd Qu.:0.15486  
##  Max.   :1.0000    Max.   :1.00000   Max.   :1.00000   Max.   :1.00000  
##                                                                         
##  motivo_negacion_5 motivo_negacion_6 motivo_negacion_7 motivo_negacion_8
##  Min.   :0.0000    Min.   :0.00000   Min.   :0.00000   Min.   :0.00000  
##  1st Qu.:0.0000    1st Qu.:0.00000   1st Qu.:0.00000   1st Qu.:0.00000  
##  Median :0.0000    Median :0.00000   Median :0.00000   Median :0.00000  
##  Mean   :0.1205    Mean   :0.03756   Mean   :0.02806   Mean   :0.03153  
##  3rd Qu.:0.1895    3rd Qu.:0.00000   3rd Qu.:0.00000   3rd Qu.:0.00000  
##  Max.   :1.0000    Max.   :1.00000   Max.   :1.00000   Max.   :1.00000  
##                                                                         
##  motivo_negacion_9 conteo_prevencion calidad_prevencion_1 calidad_prevencion_2
##  Min.   :0.00000   Min.   : 0.00     Min.   :0.00000      Min.   :0.00000     
##  1st Qu.:0.00000   1st Qu.: 1.00     1st Qu.:0.00000      1st Qu.:0.00000     
##  Median :0.00000   Median : 1.75     Median :0.00000      Median :0.05109     
##  Mean   :0.09159   Mean   : 1.76     Mean   :0.01878      Mean   :0.07173     
##  3rd Qu.:0.10000   3rd Qu.: 2.00     3rd Qu.:0.02941      3rd Qu.:0.11111     
##  Max.   :1.00000   Max.   :12.00     Max.   :0.35484      Max.   :0.71429     
##                                                                               
##  calidad_prevencion_3 calidad_prevencion_4 consulta_medico_general
##  Min.   :0.0000       Min.   :0.00000      Min.   :0.000          
##  1st Qu.:0.7074       1st Qu.:0.00000      1st Qu.:2.535          
##  Median :0.8006       Median :0.07376      Median :2.908          
##  Mean   :0.7540       Mean   :0.10352      Mean   :2.978          
##  3rd Qu.:0.8830       3rd Qu.:0.15427      3rd Qu.:3.357          
##  Max.   :1.0000       Max.   :1.00000      Max.   :8.400          
##                                                                   
##  calidad_med_general_1 calidad_med_general_2 calidad_med_general_3
##  Min.   :0.00000       Min.   :0.00000       Min.   :0.0000       
##  1st Qu.:0.02015       1st Qu.:0.08371       1st Qu.:0.6586       
##  Median :0.04809       Median :0.13869       Median :0.7138       
##  Mean   :0.05246       Mean   :0.13405       Mean   :0.7097       
##  3rd Qu.:0.07143       3rd Qu.:0.18340       3rd Qu.:0.7706       
##  Max.   :0.66667       Max.   :0.57143       Max.   :1.0000       
##                                                                   
##  calidad_med_general_4 consulta_medico_especialista calidad_med_especial_1
##  Min.   :0.00000       Min.   :0.000                Min.   :0.00000       
##  1st Qu.:0.04827       1st Qu.:1.928                1st Qu.:0.00000       
##  Median :0.08281       Median :2.267                Median :0.02113       
##  Mean   :0.09077       Mean   :2.289                Mean   :0.03407       
##  3rd Qu.:0.11986       3rd Qu.:2.602                3rd Qu.:0.04721       
##  Max.   :0.55556       Max.   :5.833                Max.   :0.61538       
##                                                                           
##  calidad_med_especial_2 calidad_med_especial_3 calidad_med_especial_4
##  Min.   :0.00000        Min.   :0.0000         Min.   :0.00000       
##  1st Qu.:0.01903        1st Qu.:0.6403         1st Qu.:0.07966       
##  Median :0.06848        Median :0.7098         Median :0.14866       
##  Mean   :0.08072        Mean   :0.6989         Mean   :0.16034       
##  3rd Qu.:0.11662        3rd Qu.:0.7801         3rd Qu.:0.21807       
##  Max.   :0.70000        Max.   :1.0000         Max.   :1.00000       
##                                                                      
##  consulta_urgencias calidad_urgencias_1 calidad_urgencias_2 calidad_urgencias_3
##  Min.   :0.000      Min.   :0.00000     Min.   :0.0000      Min.   :0.0000     
##  1st Qu.:1.571      1st Qu.:0.07508     1st Qu.:0.1049      1st Qu.:0.4608     
##  Median :1.869      Median :0.16441     Median :0.1732      Median :0.5409     
##  Mean   :1.943      Mean   :0.17173     Mean   :0.1743      Mean   :0.5448     
##  3rd Qu.:2.235      3rd Qu.:0.22982     3rd Qu.:0.2474      3rd Qu.:0.6250     
##  Max.   :9.312      Max.   :1.00000     Max.   :1.0000      Max.   :1.0000     
##                                                                                
##  calidad_urgencias_4 hospitalizacion calidad_hospitalizacion_1
##  Min.   :0.0000      Min.   :0.000   Min.   :0.00000          
##  1st Qu.:0.0000      1st Qu.:1.072   1st Qu.:0.00000          
##  Median :0.0553      Median :1.360   Median :0.00000          
##  Mean   :0.0800      Mean   :1.432   Mean   :0.04243          
##  3rd Qu.:0.1025      3rd Qu.:1.667   3rd Qu.:0.06130          
##  Max.   :1.0000      Max.   :6.000   Max.   :0.71429          
##                                                               
##  calidad_hospitalizacion_2 calidad_hospitalizacion_3 calidad_hospitalizacion_4
##  Min.   :0.00000           Min.   :0.0000            Min.   :0.0000           
##  1st Qu.:0.00000           1st Qu.:0.5225            1st Qu.:0.0000           
##  Median :0.05064           Median :0.6667            Median :0.1346           
##  Mean   :0.09972           Mean   :0.6287            Mean   :0.1610           
##  3rd Qu.:0.15016           3rd Qu.:0.7968            3rd Qu.:0.2363           
##  Max.   :1.00000           Max.   :1.0000            Max.   :1.0000           
## 

db_salud %>% 
  group_by(encuesta_calidad.barrio) %>% 
  dplyr::summarize(media = mean(discapacidad), minimo = min(discapacidad), maximo = max(discapacidad)) %>% 
  arrange(desc(maximo)) %>% 
  head()

encuesta_calidad.barrio	media	minimo	maximo
GUAYAQUIL	0.5000000	0.5000000	0.5000000
SAN JOSÉ	0.3000000	0.3000000	0.3000000
EL PLACER	0.1801802	0.1801802	0.1801802
FACULTAD DE MINAS	0.1698113	0.1698113	0.1698113
CORAZÓN DE JESÚS	0.1384615	0.1384615	0.1384615
LA SUCIA	0.1379310	0.1379310	0.1379310

¿Cuáles son los barrios con menor representación?

db_salud %>% 
  arrange(n) %>% 
  head()

encuesta_calidad.barrio	encuesta_calidad.comuna	n	discapacidad	acceso_salud	calidad_salud_1	calidad_salud_2	calidad_salud_3	calidad_salud_4	calidad_salud_5	morbilidad_30	motivo_negacion_1	motivo_negacion_2	motivo_negacion_3	motivo_negacion_4	motivo_negacion_5	motivo_negacion_6	motivo_negacion_7	motivo_negacion_8	motivo_negacion_9	conteo_prevencion	calidad_prevencion_1	calidad_prevencion_2	calidad_prevencion_3	calidad_prevencion_4	consulta_medico_general	calidad_med_general_1	calidad_med_general_2	calidad_med_general_3	calidad_med_general_4	consulta_medico_especialista	calidad_med_especial_1	calidad_med_especial_2	calidad_med_especial_3	calidad_med_especial_4	consulta_urgencias	calidad_urgencias_1	calidad_urgencias_2	calidad_urgencias_3	calidad_urgencias_4	hospitalizacion	calidad_hospitalizacion_1	calidad_hospitalizacion_2	calidad_hospitalizacion_3	calidad_hospitalizacion_4
EL CARMELO	SAN CRISTOBAL	4	0.0	3.000000	0.0000000	0.0000000	1.0000000	0.0000000	0.0	0.0000000	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0.000000	0	0.0000000	0.0000000	0	0	0	0	0.0	0.0	0	0.0	0	0.0	0	0	0	0	0	0
GUAYAQUIL	LA CANDELARIA	4	0.5	2.500000	0.5000000	0.0000000	0.0000000	0.5000000	0.0	0.0000000	0	0	0	0	0	0	0	0	0	2	0	0	1	0	3.000000	0	0.0000000	1.0000000	0	2	0	0	1.0	0.0	5	0.0	0	1.0	0	1	0	0	1	0
LA ILUSIÓN	SAN CRISTOBAL	6	0.0	3.500000	0.0000000	0.0000000	1.0000000	0.0000000	0.0	0.0000000	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0.000000	0	0.0000000	0.0000000	0	0	0	0	0.0	0.0	0	0.0	0	0.0	0	0	0	0	0	0
SAN PABLO	GUAYABAL	9	0.0	2.555556	0.4444444	0.0000000	0.5555556	0.0000000	0.0	0.1111111	0	0	0	0	0	0	0	0	0	0	0	0	0	0	5.400000	0	0.0000000	1.0000000	0	2	0	0	0.8	0.2	1	0.8	0	0.2	0	1	0	0	1	0
SAN JOSÉ	SAN ANTONIO DE PRADO	10	0.3	2.800000	0.0000000	0.2000000	0.0000000	0.6000000	0.2	0.0000000	0	0	0	0	0	0	0	0	0	2	0	0	1	0	1.000000	0	0.0000000	1.0000000	0	0	0	0	0.0	0.0	2	0.0	0	1.0	0	0	0	0	0	0
BOQUERÓN	SAN CRISTOBAL	15	0.0	2.466667	0.0000000	0.8666667	0.0000000	0.1333333	0.0	0.3076923	0	0	0	0	0	0	0	0	0	3	0	0	1	0	5.857143	0	0.5714286	0.4285714	0	0	0	0	0.0	0.0	2	0.0	0	1.0	0	0	0	0	0	0

Luego de identificar los barrios con pocas observaciones, se asumirá que el muestreo fue realizado correctamente y por lo tanto consideramos inclusive las muestras con 4 observaciones como significativas, por lo que no se alterarán las conclusiones con respecto a los máximos y mínimos por cada variable.

Análisis de correlación

glimpse(db_salud)

## Observations: 308
## Variables: 45
## $ encuesta_calidad.barrio      <fct> AGUAS FRÍAS, ALDEA PABLO VI, ALEJANDRÍ...
## $ encuesta_calidad.comuna      <fct> ALTAVISTA, POPULAR, EL POBLADO, BUENOS...
## $ n                            <dbl> 126, 426, 709, 1094, 1994, 755, 168, 1...
## $ discapacidad                 <dbl> 0.06349206, 0.04929577, 0.06064880, 0....
## $ acceso_salud                 <dbl> 2.793651, 3.000000, 3.187683, 3.008349...
## $ calidad_salud_1              <dbl> 0.05555556, 0.04481132, 0.06404658, 0....
## $ calidad_salud_2              <dbl> 0.38888889, 0.12971698, 0.16302766, 0....
## $ calidad_salud_3              <dbl> 0.2222222, 0.2948113, 0.2358079, 0.315...
## $ calidad_salud_4              <dbl> 0.1111111, 0.4504717, 0.4061135, 0.319...
## $ calidad_salud_5              <dbl> 0.22222222, 0.08018868, 0.13100437, 0....
## $ morbilidad_30                <dbl> 0.21739130, 0.19186047, 0.12284483, 0....
## $ motivo_negacion_1            <dbl> 0.0000000, 0.0000000, 1.0000000, 0.181...
## $ motivo_negacion_2            <dbl> 0.0000000, 0.0000000, 0.0000000, 0.181...
## $ motivo_negacion_3            <dbl> 0.0000000, 0.0000000, 0.0000000, 0.000...
## $ motivo_negacion_4            <dbl> 0.00000000, 0.25000000, 0.00000000, 0....
## $ motivo_negacion_5            <dbl> 0.0000000, 0.0000000, 0.0000000, 0.363...
## $ motivo_negacion_6            <dbl> 0.00000000, 0.00000000, 0.00000000, 0....
## $ motivo_negacion_7            <dbl> 0.0000000, 0.0000000, 0.0000000, 0.000...
## $ motivo_negacion_8            <dbl> 0.00000000, 0.00000000, 0.00000000, 0....
## $ motivo_negacion_9            <dbl> 0.00000000, 0.75000000, 0.00000000, 0....
## $ conteo_prevencion            <dbl> 1.5, 1.0, 2.0, 2.0, 2.0, 2.0, 0.0, 2.0...
## $ calidad_prevencion_1         <dbl> 0.200000000, 0.000000000, 0.000000000,...
## $ calidad_prevencion_2         <dbl> 0.30000000, 0.00000000, 0.03125000, 0....
## $ calidad_prevencion_3         <dbl> 0.5000000, 0.9047619, 0.9218750, 0.642...
## $ calidad_prevencion_4         <dbl> 0.00000000, 0.09523810, 0.04687500, 0....
## $ consulta_medico_general      <dbl> 4.033333, 1.897959, 2.637795, 3.480100...
## $ calidad_med_general_1        <dbl> 0.066666667, 0.000000000, 0.070866142,...
## $ calidad_med_general_2        <dbl> 0.10000000, 0.22448980, 0.04724409, 0....
## $ calidad_med_general_3        <dbl> 0.7666667, 0.6122449, 0.7007874, 0.699...
## $ calidad_med_general_4        <dbl> 0.066666667, 0.163265306, 0.181102362,...
## $ consulta_medico_especialista <dbl> 3.076923, 1.837838, 2.098160, 2.483516...
## $ calidad_med_especial_1       <dbl> 0.00000000, 0.08108108, 0.01226994, 0....
## $ calidad_med_especial_2       <dbl> 0.00000000, 0.00000000, 0.00000000, 0....
## $ calidad_med_especial_3       <dbl> 0.8461538, 0.5945946, 0.6380368, 0.783...
## $ calidad_med_especial_4       <dbl> 0.15384615, 0.32432432, 0.34969325, 0....
## $ consulta_urgencias           <dbl> 1.352941, 2.176471, 1.506849, 2.406667...
## $ calidad_urgencias_1          <dbl> 0.00000000, 0.17647059, 0.06849315, 0....
## $ calidad_urgencias_2          <dbl> 0.0000000, 0.0000000, 0.1232877, 0.233...
## $ calidad_urgencias_3          <dbl> 0.8235294, 0.5882353, 0.6438356, 0.493...
## $ calidad_urgencias_4          <dbl> 0.17647059, 0.23529412, 0.16438356, 0....
## $ hospitalizacion              <dbl> 2.000000, 1.000000, 1.142857, 1.612903...
## $ calidad_hospitalizacion_1    <dbl> 0.00000000, 0.00000000, 0.00000000, 0....
## $ calidad_hospitalizacion_2    <dbl> 0.00000000, 0.00000000, 0.00000000, 0....
## $ calidad_hospitalizacion_3    <dbl> 0.8000000, 1.0000000, 0.8095238, 0.548...
## $ calidad_hospitalizacion_4    <dbl> 0.20000000, 0.00000000, 0.19047619, 0....

salud_cor <- db_salud %>%
  select_if(is.numeric) %>% 
  dplyr::select(-n) %>%
  .[complete.cases(.),] %>% 
  cor()

corrplot(salud_cor, type = "upper", order = "hclust", tl.col = "black", tl.srt = 45)

# Mapa gigante de correlación con factores y números Inviable por número de variables
# db_salud %>% 
#   select(-encuesta_calidad.barrio, -encuesta_calidad.comuna, -n) %>%
#   ggpairs(aes(alpha = 0.4))

Caso 1 - Sin one-hot encoding

No se identifican correlaciones notorias entre las variables numéricas, se nota que hay ciertas variables con distribuciones marcadas, como el acceso a salud con una función de densidad de probabilidad muy similar a la distribución normal y otras variables con distribuciones con sesgos hacia la izquierda.

Caso 2 - Con one-hot encoding

Pendiente

Escalamiento de datos

salud_scaled <- db_salud %>% 
  mutate_at(vars(-n, -encuesta_calidad.barrio, -encuesta_calidad.comuna), scale)

Agrupamiento mediante k-Means

clustering_salud <- salud_scaled %>% 
  dplyr::select(-n, -encuesta_calidad.barrio, -encuesta_calidad.comuna)

k_maximo <- 15

wss <- sapply(1:k_maximo, 
              function(k) {
                kmeans(clustering_salud, k, nstart = 10, iter.max = 15 )$tot.withinss
              })

plot(1:k_maximo, wss,
     type="b", pch = 19, frame = FALSE, 
     xlab="Número de grupos [K]",
     ylab="Total de suma de cuadrados intra-grupos")

k_optimo_kmeans <- 10
k_seleccionado <- 5

Para favorecer la interpretabilidad y teniendo en cuenta que no hay agrupamientos incorrectos, se decide utilizar k_seleccionado grupos y realizar su análisis descriptivo que permita llegar a conclusiones dicientes de los barrios analizados.

Agrupamiento con \(K\) seleccionado

agrupamiento_kmeans <- kmeans(clustering_salud, centers = k_seleccionado, nstart = 10, iter.max = 15 )

Análisis descriptivo de los grupos

Falta

Mapa para el agrupamiento mediante K-means

political <- shapefile("Barrio_Vereda/Barrio_Vereda.shp")
Encoding(political@data$NOMBRE) <- "UTF-8"
political$NOMBRE <- political$NOMBRE %>% toupper() %>% str_replace("DE  MESA", "DE MESA")

grupos_barrios <- data.frame(barrio_nombre = db_salud$encuesta_calidad.barrio, grupo = agrupamiento_kmeans$cluster)
nombres_mapa <- data.frame(nombre_barrio = political$NOMBRE)

vector_nombres = c()
vector_grupos = c()

for(nombre_mapa in nombres_mapa$nombre_barrio) {
  grupo <- grupos_barrios[grupos_barrios$barrio_nombre == nombre_mapa, 2][1]
  vector_nombres <- c(vector_nombres, nombre_mapa)
  vector_grupos <- c(vector_grupos, grupo)
}

mapa_grupos <- data.frame(
  nombre_barrio = vector_nombres, 
  grupo = vector_grupos
)

factpal <- colorFactor(rainbow(k_optimo_kmeans), mapa_grupos$grupo)

leaflet(data = political) %>% 
  addTiles() %>% 
  addProviderTiles(providers$OpenStreetMap) %>% 
  addPolygons(fill = TRUE, stroke = TRUE, weight = 2, color = ~factpal(mapa_grupos$grupo), 
              label = as.character(political$NOMBRE),
              popup = as.character(political$NOMBRE)) %>% 
  addLegend("bottomright", colors = "#03F", labels = "Barrios y veredas")

Agrupamiento Jerárquico

cantidad_grupos_jerarquico <- 5

distancia <- dist(clustering_salud)
agrupamiento <- hclust(distancia, method = "complete")
arbol_corte <- cutree(agrupamiento, k = cantidad_grupos_jerarquico)

db_salud_jer <- bind_cols(db_salud, cluster = arbol_corte)
split_db_salud <- split(db_salud, arbol_corte)

Mapa geográfico usando el agrupamiento jerárquico

political <- shapefile("Barrio_Vereda/Barrio_Vereda.shp")
Encoding(political@data$NOMBRE) <- "UTF-8"
political$NOMBRE <- political$NOMBRE %>% toupper() %>% str_replace("DE  MESA", "DE MESA")

grupos_barrios_jer <- data.frame(barrio_nombre = db_salud$encuesta_calidad.barrio, comuna_nombre = db_salud$encuesta_calidad.comuna, grupo = arbol_corte)
nombres_mapa_jer <- data.frame(nombre_barrio = political$NOMBRE)

vector_nombres_jer = c()
vector_grupos_jer = c()

for(nombre_mapa in nombres_mapa$nombre_barrio) {
  grupo <- grupos_barrios_jer[grupos_barrios_jer$barrio_nombre == nombre_mapa, 3][1]
  vector_nombres_jer <- c(vector_nombres_jer, nombre_mapa)
  vector_grupos_jer <- c(vector_grupos_jer, grupo)
}

mapa_grupos_jer <- data.frame(
  nombre_barrio = vector_nombres, 
  grupo = vector_grupos
)

factpal <- colorFactor(rainbow(cantidad_grupos_jerarquico), mapa_grupos_jer$grupo)

leaflet(data = political) %>% 
  addTiles() %>% 
  addProviderTiles(providers$OpenStreetMap) %>% 
  addPolygons(fill = TRUE, stroke = TRUE, weight = 2, color = ~factpal(mapa_grupos_jer$grupo), 
              label = as.character(political$NOMBRE),
              popup = as.character(political$NOMBRE)) %>% 
  addLegend("bottomright", colors = "#03F", labels = "Barrios y veredas")

Estadística descriptiva de los grupos obtenidos con el algoritmo jerárquico

media_sd <- function(variable) {
  paste0(round(mean(variable), 4), " (", round(sd(variable), 4), ")")
}

db_salud_jer %>%
  dplyr::select(-encuesta_calidad.barrio, -encuesta_calidad.comuna, -n) %>% 
  group_by(cluster) %>% 
  summarise_all(~media_sd(.))

cluster	discapacidad	acceso_salud	calidad_salud_1	calidad_salud_2	calidad_salud_3	calidad_salud_4	calidad_salud_5	morbilidad_30	motivo_negacion_1	motivo_negacion_2	motivo_negacion_3	motivo_negacion_4	motivo_negacion_5	motivo_negacion_6	motivo_negacion_7	motivo_negacion_8	motivo_negacion_9	conteo_prevencion	calidad_prevencion_1	calidad_prevencion_2	calidad_prevencion_3	calidad_prevencion_4	consulta_medico_general	calidad_med_general_1	calidad_med_general_2	calidad_med_general_3	calidad_med_general_4	consulta_medico_especialista	calidad_med_especial_1	calidad_med_especial_2	calidad_med_especial_3	calidad_med_especial_4	consulta_urgencias	calidad_urgencias_1	calidad_urgencias_2	calidad_urgencias_3	calidad_urgencias_4	hospitalizacion	calidad_hospitalizacion_1	calidad_hospitalizacion_2	calidad_hospitalizacion_3	calidad_hospitalizacion_4
1	0.0706 (0.0198)	2.9678 (0.1586)	0.0725 (0.0345)	0.1741 (0.0461)	0.3253 (0.0575)	0.3399 (0.0663)	0.0882 (0.0398)	0.1467 (0.0585)	0.3592 (0.3146)	0.0533 (0.1273)	0.021 (0.0682)	0.1072 (0.1727)	0.1325 (0.2019)	0.0413 (0.1257)	0.0294 (0.1093)	0.0339 (0.1071)	0.1008 (0.2121)	1.8393 (1.5202)	0.0207 (0.0378)	0.078 (0.085)	0.7839 (0.1651)	0.1032 (0.1039)	2.9826 (0.6929)	0.052 (0.0366)	0.1396 (0.0676)	0.7129 (0.0923)	0.0955 (0.0711)	2.3782 (0.6581)	0.037 (0.0552)	0.087 (0.0795)	0.7111 (0.1166)	0.1648 (0.1102)	1.948 (0.5394)	0.1728 (0.1082)	0.1852 (0.1157)	0.5654 (0.151)	0.0766 (0.0783)	1.5196 (0.6302)	0.0467 (0.094)	0.1066 (0.1485)	0.6566 (0.2334)	0.1723 (0.1735)
2	0.0777 (0.0551)	2.9154 (0.3303)	0.1152 (0.1095)	0.1357 (0.1117)	0.4422 (0.2615)	0.2679 (0.1893)	0.039 (0.0509)	0.0612 (0.0819)	0.0083 (0.0362)	0 (0)	0.0526 (0.2294)	0.0111 (0.0483)	0 (0)	0 (0)	0.0222 (0.0966)	0.0111 (0.0483)	0 (0)	0.8421 (0.8983)	0 (0)	0.0088 (0.0382)	0.4123 (0.498)	0.1579 (0.3746)	2.3192 (1.5388)	0.0172 (0.0461)	0.0863 (0.1153)	0.6424 (0.3672)	0.0437 (0.0627)	1.2692 (1.0187)	0.0066 (0.0287)	0.0258 (0.0708)	0.5577 (0.425)	0.0942 (0.1517)	1.0693 (1.2381)	0.1523 (0.3048)	0.059 (0.2295)	0.1666 (0.3097)	0.1484 (0.33)	0.6632 (0.8268)	0 (0)	0.0105 (0.0459)	0.4316 (0.4764)	0.0316 (0.0768)
3	0.0691 (0.0195)	2.9233 (0.437)	0.0958 (0.1257)	0.1558 (0.0767)	0.3854 (0.0667)	0.252 (0.1736)	0.111 (0.0864)	0.0909 (0.0797)	0 (0)	0 (0)	0 (0)	0 (0)	0 (0)	0 (0)	0 (0)	0 (0)	0 (0)	0.6667 (1.1547)	0 (0)	0 (0)	0.3333 (0.5774)	0 (0)	6.8425 (2.6065)	0.4261 (0.2337)	0 (0)	0.5739 (0.2337)	0 (0)	2.8824 (1.0206)	0 (0)	0 (0)	1 (0)	0 (0)	2.5083 (0.4474)	0.5417 (0.5052)	0.2333 (0.4041)	0.1 (0.1732)	0.125 (0.2165)	0.3333 (0.5774)	0 (0)	0.2222 (0.3849)	0 (0)	0.1111 (0.1925)
4	0.0421 (0.0285)	2.553 (0.2145)	0.0496 (0.072)	0.4407 (0.3304)	0.2957 (0.2063)	0.1806 (0.0437)	0.0334 (0.0406)	0.3318 (0.1687)	0.1111 (0.2222)	0 (0)	0 (0)	0.1389 (0.2778)	0 (0)	0 (0)	0 (0)	0 (0)	0 (0)	1.25 (1.5)	0 (0)	0.0227 (0.0455)	0.4773 (0.5524)	0 (0)	3.3943 (2.326)	0 (0)	0.1429 (0.2857)	0.7624 (0.2448)	0.0948 (0.12)	1.0666 (0.7925)	0 (0)	0 (0)	0.3864 (0.4832)	0.3636 (0.4753)	4.5781 (3.4586)	0 (0)	0 (0)	1 (0)	0 (0)	0.25 (0.5)	0 (0)	0 (0)	0.15 (0.3)	0.1 (0.2)
5	0.4 (0.1414)	2.65 (0.2121)	0.25 (0.3536)	0.1 (0.1414)	0 (0)	0.55 (0.0707)	0.1 (0.1414)	0 (0)	0 (0)	0 (0)	0 (0)	0 (0)	0 (0)	0 (0)	0 (0)	0 (0)	0 (0)	2 (0)	0 (0)	0 (0)	1 (0)	0 (0)	2 (1.4142)	0 (0)	0 (0)	1 (0)	0 (0)	1 (1.4142)	0 (0)	0 (0)	0.5 (0.7071)	0 (0)	3.5 (2.1213)	0 (0)	0 (0)	1 (0)	0 (0)	0.5 (0.7071)	0 (0)	0 (0)	0.5 (0.7071)	0 (0)

Notas del agrupamiento jerárquico

• Cluster 1: 280 barrios

  • Mayor acceso a salud 2.9678 (0.1586)
  • Mayor calidad salud en nivel 4, 0.3399 (0.0663)
  • Mayor negación de atención porque el caso era leve 0.3592 (0.3146)
  • Mayor calidad de la prevención en nivel bueno, 0.7839 (0.1651)
  • Mayor proporción de calidad de consulta especilista buena 0.7111 (0.1166)
  • Mayor proporción de calidad de urgencias buena 0.5654 (0.151)
  • Mayor cantidad de hospitalizaciones 1.5196 (0.6302)
  • Mayor proporción de calidad de las hospitalizaciones en nivel bueno 0.6566 (0.2334)

• Cluster 2: 19 barrios

  • Segunda mayor proporción de calidad consulta general buena 0.6424 (0.3672)
  • Segunda mayor proporción de calidad consulta especialista buena 0.5577 (0.425)
  • Menor número de asistencias a urgencias 1.0693 (1.2381)

• Cluster 3: 3 barrios

  • Menor uso de programas de prevención 0.6667 (1.1547)
  • Mayor número de consultas 6.8425 por mucho (2.6065)
  • Mayor proporción de calidad de consulta general mala 0.4261 (0.2337)
  • Mayor número de consultas especialista 2.8824 (1.0206)
  • Mayor proporción de calidad urgencias mala 0.5417 (0.5052)

• Cluster 4: 4 barrios

  • Mayor morbilidad en los últimos 30 días 0.3318 (0.1687)
  • Mayor negación de atención por falta de dinero 0.1389 (0.2778)
  • Segundo mayor número de consultas 3.3943 (2.326)
  • Mayor proporción de calidad de consulta buena 0.7624 (0.2448)
  • Mayor número de asistencias a urgencias 4.5781 (3.4586)
  • Menor cantidad de hospitalizaciones 0.25 (0.5)

• Cluster 5: 2 barrios

  • tiene mayor proporción de discapacidad, 0.4 (0.1414)
  • Mayor uso de programas de prevención 2 (0)
  • Menor número de consultas 2 (1.4142)

Escritura